具身智能分化：量化派为何押注物理世界基础模型？

具身智能行业正在经历一场深刻的商业定位分化。过去，市场习惯于两种主流模式：一种是销售机器人本体，赚取一次性硬件利润；另一种是提供整套解决方案，打包硬件、软件及部署服务。然而，随着产业从实验室Demo阶段迈向真实场景的规模化落地，一种新的商业模式正在浮现：出售物理世界基础模型的能力。量化派正是这一路径的典型代表，其核心逻辑在于——硬件会迭代，场景会变迁，唯有让机器人理解物理世界的底层AI能力，才能实现跨场景的高效复用与持续收益。

这场变革并非凭空而来，而是由政策与市场需求共同倒逼。近期，工业和信息化部与国务院国资委联合开展人形机器人与具身智能实景实训专项行动，要求机器人必须在真实动态工况下完成作业，且严禁改造环境来迁就机器人。这一“最小干预、利旧复用”的要求，彻底打破了展厅内的完美演示神话，将竞争焦点从“能否动起来”转向了“能否在复杂现实中稳定工作”。在此背景下，谁能让机器人在陌生场景中快速适应、开箱即用，谁就掌握了规模化的入场券。

量化派的选择是构建一个跨场景、跨本体的开放生活场景世界模型。其技术文件清晰地指出了行业痛点：推动机器人从“动作自动化”迈向“任务级自主作业”。前者依赖于固定程序的精准执行，后者则要求机器人具备理解任务目标后，自主完成感知、决策、执行的完整闭环。这两个阶段之间，隔着巨大的产业鸿沟，也是决定行业能走多远的核心变量。市场愿意为这种基础模型付费，本质上是希望将新场景的边际成本压缩至接近零。

从全球资本市场的动向来看，这种“卖能力”的逻辑已得到验证。2024年底，Physical Intelligence以24亿美元估值完成融资，其业务不涉硬件，专注于让机器人理解物理世界的通用AI模型。紧随其后，Skild AI的估值更是从15亿美元飙升至140亿美元，尽管其年营收仅3000万美元。资本押注的并非当前的营收规模，而是物理世界基础模型未来被所有机器人调用的巨大想象空间。这与Anthropic在大语言模型领域的定位相似，旨在成为不同硬件平台背后的通用AI能力层。

在国内市场，量化派在餐饮后厨这一高难度场景中进行了四轮技术验证，展现了其实战能力。与标准化的实验室环境不同，后厨充满了非结构化变量。例如，三明治制作涉及面包、生菜等软质食材，机器人需实时感知形态并调整力度，实现柔顺控制而不破损；购物袋分拣则无预设流程，机器人需自主判断物品属性、识别并分类摆放；寻找牛排调味料更是考验机器人的推理链，需在无剧本情况下自主搜索、定位并精准操作。这些场景不仅考验单点技术，更考验系统在动态环境中的长期稳定性。

奶茶制作的协同作业进一步验证了系统的集成能力。机器人需与奶茶机、搅拌机等设备实时配合，处理液体晃动、位置偏移等动态问题。任何环节的失误都可能导致整条生产线停摆。量化派的技术路径强调软硬件分层，物理世界基础模型不绑定特定硬件，这意味着同一套AI能力可被不同厂商的机器人调用。这种开放性是RaaS（Robot as a Service，机器人即服务）模式得以规模化的前提，客户为结果付费，而非为硬件买单。

然而，技术落地仅仅是第一步，真正的护城河在于数据积累。物理世界的数据无法像互联网数据那样自动沉淀，每一段有效操作数据背后，都是机器人无数次真实试错的成果。量化派通过B端商业场景合作、C端智能硬件布局、用户置换及场景共创四条路径，构建了多源数据采集体系。在真实场景中积累的数据具有极高的稀缺性，后来者即便拥有算力优势，也难以在短时间内弥补这一时间壁垒。

尽管前景广阔，量化派仍面临两道关键商业挑战。首先是跨场景复用的边际成本是否真能趋近于零。从餐饮后厨延伸至仓储、医疗等领域，每次适配的成本决定了商业模型的可行性。其次是技术落地的现实落差。物理世界的复杂度远高于数字仿真，全栈自研的系统整合能力决定了能否将这一落差控制在商业可接受范围内。

政策窗口期为这一赛道提供了重要推力。国家级专项行动要求各大省市及央企在11月底前交付验证报告，这意味着大量企业将拿着真实场景数据去争取政策认可与订单。RaaS模式由此获得官方背书，从一种商业判断转变为正在发生的产业拐点。量化派依托上市公司平台，在融资合规性与长期投入持续性上具备优势，其长期路径清晰：从场景落地与数据售卖起步，逐步向智能硬件厂商输出模型调用服务，最终形成“基模+算力”的收入结构。

最终的检验标准很简单：当第三方客户在全新场景中，使用量化派的模型让机器人完成以前无法完成的任务，并愿意为此付费时，物理世界基础模型才算真正从“有想象力的故事”转变为“产生价值的平台”。在此之前，所有的估值都仍停留在概念阶段。随着更多真实数据的沉淀与场景的拓展，这一赛道的计时器才真正开始转动。